一种基于零次学习的光纤预警系统未知事件分类方法技术方案

本发明专利技术公开了一种基于零次学习的光纤预警系统未知事件分类方法，包括：步骤1、通过光纤预警系统检测振动事件发生时得到的瑞利散射光强信号；步骤2、将所述瑞利散射光强信号制作为振动事件数据样本；步骤3、将所述振动事件数据样本输入通过基于零次学习得到的分类网络，并结合属性空间进行类别判定，获得分类结果。本发明专利技术可使光纤传感系统能够识别非预先训练的振动事件类型，提高分类方法的适用范围。本发明专利技术主要用于光纤预警技术领域。本发明专利技术主要用于光纤预警技术领域。本发明专利技术主要用于光纤预警技术领域。

【技术实现步骤摘要】
一种基于零次学习的光纤预警系统未知事件分类方法


[0001]本专利技术涉及光纤预警
，特别涉及一种基于零次学习的光纤预警系统未知事件分类方法。

技术介绍

[0002]分布式光纤传感系统由于其灵敏度高、定位精度高、分布式传感等特性，广泛应用于长距离油气管道监测。周界安防等领域。相位敏感型光时域反射仪(Phase Sensitive Optical Time Domain Reflectometer,Φ
‑
OTDR)技术，通过使用长相干光源，检测光脉冲返回光的相干结果，能实现动态响应，尤其是对于振动微弱的入侵事件的检测，非常适用于管道预警。
[0003]由于Φ
‑
OTDR定性测量的特点，难以实现事件识别，导致误报率较高。深度学习技术，尤其是卷积神经网络技术(Convolutional Neural Networks，CNN)的引入，通过机器学习自动获取事件特征，极大增加了检测系统的识别能力。CNN网络的训练基于已知类型数据集的，亦仅能识别训练过的事件类型。但在实际应用中，往往难以获得覆盖事件类型足够广的数据集，当未知事件类型的入侵出现时，普通的CNN网络将无法对入侵事件作出准确的分类判断。因此，需要一种能够对非训练集事件类型也能进行分类判断的事件识别方法，进一步完善识别系统的功能。

技术实现思路

[0004]本专利技术的目的是提供一种基于零次学习的光纤预警系统未知事件分类方法，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。<br/>[0005]本专利技术解决其技术问题的解决方案是：提供一种基于零次学习的光纤预警系统未知事件分类方法，包括：
[0006]步骤1、通过光纤预警系统检测振动事件发生时得到的瑞利散射光强信号；
[0007]步骤2、将所述瑞利散射光强信号制作为振动事件数据样本；
[0008]步骤3、将所述振动事件数据样本输入通过基于零次学习得到的分类网络，并结合属性空间进行类别判定，获得分类结果。
[0009]进一步，将所述振动事件数据样本输入通过基于零次学习得到的分类网络，并结合属性空间进行类别判定，获得分类结果包括：
[0010]步骤S1、根据所述振动事件类型的物理过程特征，以所形成的振动事件类型数据样本的形态学特征，设计所有待识别的振动事件类型的属性空间L＝[L1,L2,L3,
…
L
N
]T
，其大小为N
×
M，其中N为振动事件类型的种类数，M为单个振动事件类型的属性长度，即每种振动事件类型对应一个长度为M的属性，并以其所在行数值作为该振动事件类型序号；
[0011]步骤S2、将所有振动事件类型分为已知事件类型集Y_seen和未知事件类型集Y_unseen，再根据步骤2中获得的振动事件数据样本构建训练集Train_Set和测试集Test_Set，其中，训练集Train_Set中的所有振动事件数据样本均属于已知事件类型集Y_seen，测
试Test_Set中的振动事件数据样本则同时包含有已知事件类型集Y_seen和未知事件类型集Y_unseen中的事件类型；
[0012]步骤S3、搭建分类网络，分类网络输出与振动事件类型的属性长度一致。
[0013]步骤S4、使用步骤S2中获得的训练集Train_Set，对步骤S3中的分类网络进行训练，并达到收敛，保存训练好的分类网络和其所有权重参数，所述分类网络记为Trained_Net；
[0014]步骤S5、将测试集Test_Set中的数据样本输入训练好的分类网络Trained_Net，获得分类结果及分类网络识别能力评定，若评定效果达标，则保存该分类网络，若评定效果不达标，则重复步骤S1至步骤S4，并更改步骤S1中的属性空间L的设计、步骤S3中的网络结构或步骤S4中的训练次数，直至获得达标的分类效果；
[0015]步骤S6、使用步骤2中方法，将新获得的传感数据制作为振动事件数据样本，输入步骤S5得到的分类网络，获得分类结果。
[0016]进一步，所述将所述瑞利散射光强信号制作为振动事件数据样本包括：
[0017]步骤S21、使用光纤预警系统获得振动事件发生时的瑞利散射光光强信号，其中第i条瑞利散射光光强信号记为TR
i
；
[0018]步骤S22、将1s内获得的多条瑞利散射光光强信号重新排列为矩阵形式，获得时空矩阵信号，所述时空矩阵信号记为TR_Matrix；
[0019]步骤S23、使用移动平均差分法对振动事件进行定位，以振动事件的定位位置为中心，以25m为半径，提取时空矩阵信号TR_Matrix中的对应位置的数据，记为TR_Pick；
[0020]步骤S24、对时空矩阵信号TR_Pick的列方向进行高通滤波，截止频率为5Hz，滤除直流分量；
[0021]步骤S25、对步骤S24中滤波后的时空矩阵信号TR_Pick整体进行灰度化处理；
[0022]步骤S26、采用降采样法调整TR_Pick的行数，采用插值法调整TR_Pick的列数，采用复制的方法调整TR_Pick的通道数，并合成为适配分类网络的数据类型，得到振动事件数据样本。
[0023]进一步，步骤S25中对步骤S24中滤波后的时空矩阵信号TR_Pick整体进行灰度化处理的具体方法包括：取时空矩阵信号TR_Pick的最大值和最小值，分别记为Max_TR和Min_TR，则灰度化处理操作记为：TR_Pick_gray＝floor[255
×
(TR_Pick
‑
Min_TR)/(Max_TR
‑
Min_TR)]；
[0024]其中，TR_Pick_gray为灰度化处理后的时空矩阵信号，floor[
·
]为向下取整操作。
[0025]进一步，所述步骤S3中搭建分类网络，分类网络输出与振动事件类型的属性长度一致的方法具体包括：
[0026]步骤S31、构建一个由若干卷积层和池化层组建的特征提取网络，或使用现有深度卷积网络的部分网络结构，如使用GoogLeNet的第一层卷积层至第五层池化层之间的部分网络结构；
[0027]步骤S32、在特征提取网络之后再构建一个神经元个数为M的全连接网络，整体组成分类网络。
[0028]进一步，所述步骤S4中分类网络训练的方法具体包括：
[0029]步骤S41、将训练集Train_Set中的属于振动事件类型I的振动事件数据样本j输入步骤S3中所述的分类网络，完成前向传播过程，获得长度为M的网络输出，记为O
j
；
[0030]步骤S42、取属性空间L中的第i行属性L
i
，分别将O
j
和L
i
作为M维向量，计算其内积值S
ij
，公式记为：
[0031]S
ij
＝&lt;O<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于零次学习的光纤预警系统未知事件分类方法，其特征在于，包括：步骤1、通过光纤预警系统检测振动事件发生时得到的瑞利散射光强信号；步骤2、将所述瑞利散射光强信号制作为振动事件数据样本；步骤3、将所述振动事件数据样本输入通过基于零次学习得到的分类网络，并结合属性空间进行类别判定，获得分类结果。2.根据权利要求1所述的一种基于零次学习的光纤预警系统未知事件分类方法，其特征在于，所述将所述振动事件数据样本输入通过基于零次学习得到的分类网络，并结合属性空间进行类别判定，获得分类结果包括：步骤S1、根据所述振动事件类型的物理过程特征，以所形成的振动事件类型数据样本的形态学特征，设计所有待识别的振动事件类型的属性空间L＝[L1,L2,L3,
…
L
N
]
T
，其大小为N
×
M，其中N为振动事件类型的种类数，M为单个振动事件类型的属性长度，即每种振动事件类型对应一个长度为M的属性，并以其所在行数值作为该振动事件类型序号；步骤S2、将所有振动事件类型分为已知事件类型集Y_seen和未知事件类型集Y_unseen，再根据步骤2中获得的振动事件数据样本构建训练集Train_Set和测试集Test_Set，其中，训练集Train_Set中的所有振动事件数据样本均属于已知事件类型集Y_seen，测试Test_Set中的振动事件数据样本则同时包含有已知事件类型集Y_seen和未知事件类型集Y_unseen中的事件类型；步骤S3、搭建分类网络，分类网络输出与振动事件类型的属性长度M一致；步骤S4、使用步骤S2中获得的训练集Train_Set，对步骤S3中的分类网络进行训练，并达到收敛，保存训练好的分类网络和其所有权重参数，所述分类网络记为Trained_Net；步骤S5、将测试集Test_Set中的数据样本输入训练好的分类网络Trained_Net，获得分类结果及分类网络识别能力评定，若评定效果达标，则保存该分类网络，若评定效果不达标，则重复步骤S1至步骤S4，并更改步骤S1中的属性空间L的设计、步骤S3中的网络结构或步骤S4中的训练次数，直至获得达标的分类效果；步骤S6、使用步骤2中方法，将新获得的传感数据制作为振动事件数据样本，输入步骤S5得到的分类网络，获得分类结果。3.根据权利要求1所述的一种基于零次学习的光纤预警系统未知事件分类方法，其特征在于，将所述瑞利散射光强信号制作为振动事件数据样本包括：步骤S21、使用光纤预警系统获得振动事件发生时的瑞利散射光光强信号，其中第i条瑞利散射光光强信号记为TR
i
；步骤S22、将1s内获得的多条瑞利散射光光强信号重新排列为矩阵形式，获得时空矩阵信号，所述时空矩阵信号记为TR_Matrix；步骤S23、使用移动平均差分法对振动事件进行定位，以振动事件的定位位置为中心，以25m为半径，提取时空矩阵信号TR_Matrix中的对应位置的数据，记为TR_Pick；步骤S24、对时空矩阵信号TR_Pick的列方向进行高通滤波，截止频率为5Hz，滤除直流分量；步骤S25、对步骤S24中滤波后的时空矩阵信号TR_Pick整体进行灰度化处理；步骤S26、采用降采样法调整TR...

【专利技术属性】
技术研发人员：施羿，张颖超，戴尚玮，刘心语，李映焕，魏楚亮，
申请(专利权)人：汕头大学，
类型：发明
国别省市：